用户产生的实时数据放在ABFS上，通过TPP传入BE，在BE中通过swingc2i等算法召回1000个商品粗排，再把这1000个商品通过TPP传入RTP中在线打分，最后把分数最高的600个商品按得分展现给用户精排离线在Porsche平台上调试模型，调到最优结。
值得注意的一点是如果在召回阶段使用模型召回，理论上也应该同步采用和排序模型相同的优化目标，尤其是如果排序阶段采用多目标优化的情况下，召回模型也应该对应采取相同的多目标优化同理，如果整个流程中包含粗排模块，粗排也应该采用和精排相。
然后通过粗排后，商品数量从万级下降到千级千级商品经排后直接向用户展示，搜索过程中商品集合的思考和具体变化如下图前面的召回粗排主要解决主题相关性，通过主题相关性的限制，首先缩小商品集合和我们的在线会员课程标签精排阶段系是真正。
1大规模粗排用离线计算的embedding加速，可以扩大粗排规模 2利用预训练的embedding为模型提供更好的用户表达一些模型对于某目标的预测不会使用用户的全量行为特征，所以能获取其在全量行为下计算的embedding作为初始化便能提。
一般会通过通过聚类和索引的方法分割搜索空间，减少计算量 粗排模型Serving必须比精排快很多，否则就没有存在的意义了。
02模型价值表征模型为什么值得深入去做？1 应用场景广泛接下来 例如推荐中U2II2I的召回粗排，搜索中的Q2I语义匹配，智能营。
所以，工业界的搜索推荐系统，一般包括召回粗排精排重排 粗排阶段，通过简化的精排模型，对大量召回物品打分，返回几千。
搜索推荐系统中的多样性问题 在互联网APP中 多样性指标 在多样性问题中，最基础的问题是定义衡量多样性的指标 Airbnb搜索重排序优化多样性方法 在Airbnb重排序系统中，采用过几种解决方案，从精排后的N个结果。
How to Pretrain 本文的要点是提出了ICTBFSWLP三种构造预训练数据的方式，用于提升预训练模型的建模能力ColBERT 本文的核心思想，在于怎么样让query和doc的embedding进行late fusionPolyEcnoders 1建模 和stanford paper不一致的地方。
工业界往往采用如下图所示的多阶段排序架构“召回粗排精排重 基于神经架构搜索的CTR预估方法强化学习推荐系统的模型结构。
本文是对粗排模型优化的阶段性总结背景在搜索推荐广告等 对于这种情况，工业界一般采用概率变换6和保序回归7两种事后。
外交部在美和拟赴美公民注意安全，提防落入美陷阱及诱捕圈套 202网民指结婚登记必须提供户口簿违背婚姻自由，民政部回。
在搜索推荐和广告等互联网应用中扮演了至关重要的角色随着 基于精排模型衍生出全新的粗排模型，使得效率和效果更加平衡。
还木有评论哦，快来抢沙发吧~